典型文献
基于MIV-GA-BP模型预测烧结矿FeO含量
文献摘要：
工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标.作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标.针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型.以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型.在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测.上线测试结果表明,误差允许范围内模型命中率达到87.9％,对现场烧结生产具有更好的指导性.
文献关键词：
大数据;烧结;预测模型;FeO;特征工程
中图分类号：
作者姓名：
张智峰;刘小杰;李欣;吕庆;陈树军;刘然
作者机构：
华北理工大学冶金与能源学院,河北唐山063210;河钢集团承钢钒钛新材料有限公司,河北承德067102
文献出处：
引用格式：
[1]张智峰;刘小杰;李欣;吕庆;陈树军;刘然-.基于MIV-GA-BP模型预测烧结矿FeO含量)[J].中国冶金,2022(10):75-81
A类：
B类：
MIV,GA,FeO,绿色化,装备智能化,高质化,钢铁行业,烧结矿性能,还原性,烧结过程,高炉,燃料比,研究过程,数据量,工艺结合,特征选择,选择方法,预报模型,烧结机,生产数据,深度学习模型,点解,遗传算法优化,特征选取,解释性,预测准确率,内模,命中率,特征工程
AB值：
0.377913
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
